具身智能

HiSTEVE 分层 VLA 智能体在 MineStudio Bench 达 85.0%，OpenHA 37.4%

展示分层 VLA 加原生键鼠控制完成长时程任务，对游戏和具身智能体的工程落地有直接参考价值。

研究发现 6 个 VLA 中单步生成基本匹配多步采样，低延迟部署无需额外训练

对 VLA 部署有直接工程意义：大模型单步策略可免费从多步模型获得，无需 retraining、distillation 或辅助目标，即可降延迟。

PACT-VLA 用提交前观测验证异步动作块

针对异步 VLA 部署的观测过期问题，给出候选生成与提交前验证思路，有助于提升实时成功率。

RAX：编码智能体无需动作示范，靠在线探索自学机器人控制程序

绕开遥操作数据依赖，把在线经验编译成可执行策略，为机器人数据闭环提供低成本扩展路径。

提出 FocusVLA 阶段感知多视图路由，真实世界成功率从 71.7%→85.0%，提升 13.3%

阶段感知多视图路由提升VLA的多视角利用率，且模块可不动核心架构直接集成，对机器人操作模型的训练与部署有实用价值。

SmolVLA-MoE 引入稀疏 MoE，LIBERO 成功率 84.25%

为轻量 VLA 提供稀疏 MoE 方案，在约 500M 激活参数下将 LIBERO 成功率提升至 84.25%，并开源代码，可直接复现。

驾驶 VLA 存在感知-动作绑定缺口：能识别危险却不刹车

揭示 reasoning VLA 系统性失效模式，免训练注入能量即可修复，对自动驾驶安全工程有直接启示

ALMA 框架实现 LLM 辅助任务生成，仿真位置 RMSE 降 24.7%、真实悬停降 79.6%

提出用 LLM 分析控制困难并生成训练任务的范式，显著提升空中机械臂自适应飞行控制，零样本迁移到真机。

ACE-Brain-0.6空间定位平均分75.41

约1.5 million样本的可验证定位监督提升开放9B模型空间感知，为具身数据闭环提供参考。